ローカルで実行できる音楽生成AI「ACE-Step 1.5 XL」が登場、日本語ボーカル付き楽曲も生成可能
音楽生成AIの「ACE-Step 1.5 XL」が2026年4月2日にオープンモデルとして公開されました。ACE-Step 1.5 XLは2026年2月に登場した「ACE-Step 1.5」の強化版で、ローカルPCで実行して日本語ボーカル付き楽曲などを生成できます。
ACE-Step 1.5: Pushing the Boundaries of Open-Source Music Generation
ACE-Step-1.5-xl is out now.
We scaled the DiT decoder to 4B. And it shows better audio quality, better prompt following, and better musicality. It still fast -- 8 steps with turbo distillation.
What didn't change:
- Same generation API, same LoRA training code, same everything… pic.twitter.com/P0YUFseEQ3— ACE Music (@acemusicAI) April 8, 2026
ACE-Step 1.5 XLはパラメーター数4BのDiTモデルで、自然言語で指示するだけでボーカル付きの楽曲を生成することができます。日本語のボーカルを生成することも可能で、ACE-Step 1.5 XLのデモページには日本語ボーカル付き楽曲も含まれています。
音楽生成AI「ACE-Step 1.5 XL」で生成された日本語ボーカル付き楽曲 - YouTube
ACE-Step 1.5 XLはオープンモデルとして開発されており、以下のリンク先でベースモデルの「acestep-v15-xl-base」、ファインチューニング済みモデルの「acestep-v15-xl-sft」、蒸留モデルの「acestep-v15-xl-turbo」の3種類が配布されています。
ACE-Step/acestep-v15-xl-base · Hugging Face
https://huggingface.co/ACE-Step/acestep-v15-xl-base
ACE-Step/acestep-v15-xl-sft · Hugging Face
https://huggingface.co/ACE-Step/acestep-v15-xl-sft
ACE-Step/acestep-v15-xl-turbo · Hugging Face
https://huggingface.co/ACE-Step/acestep-v15-xl-turbo
3種のモデルの主な違いは以下の通り。acestep-v15-xl-baseは最も多様性が高く、acestep-v15-xl-sftは品質を上げた代わりに多様性が下がっています。acestep-v15-xl-turboは高速かつ高品質な生成が可能ですが、多様性やファインチューン適正は低めです。実行に必要な最小VRAM容量は12GBで、推奨VRAM容量は20GB以上です。
モデルacestep-v15-xl-baseacestep-v15-xl-sftacestep-v15-xl-turboステップ数50508品質MediumHighVery High多様性HighMediumMediumファインチューン適正EasyMediumMedium
ACE-Step 1.5 XLはACE-Step 1.5と同じワークフローを使い回すことが可能。「ACE-Step 1.5 究極ガイド（必読）」と題した日本語チュートリアルも用意されています。
ACE-Step 1.5 究極ガイド（必読） · GitHub
https://github.com/ace-step/ACE-Step-1.5/blob/main/docs/ja/Tutorial.md
